HyperAIHyperAI

Command Palette

Search for a command to run...

تفسير موحد لدالة فقدان التبديل الناعم مع العينة السلبية: دراسة حالة لتمثيل رؤوس المعرفة

Hidetaka Kamigaito Katsuhiko Hayashi

الملخص

في تضمين الرسوم المعرفية، لم تُدرس العلاقة النظرية بين دالة الخسارة ذات الانتروبيا الصريحة (softmax cross-entropy) ودالة الخسارة المستندة إلى الع mẫu السلبي (negative sampling) بشكل كافٍ. ونتيجة لذلك، أصبح من الصعب مقارنة نتائج هاتين الدالتين الخسارة بشكل عادل. حاولنا حل هذه المشكلة من خلال استخدام انعدام بريغمان (Bregman divergence) لتوفير تفسير موحد لكلا دالتَي الخسارة. وباستخدام هذا التفسير، يمكن استخلاص نتائج نظرية تُمكّن من إجراء مقارنة عادلة. وأظهرت النتائج التجريبية على مجموعتي بيانات FB15k-237 وWN18RR أن هذه النتائج النظرية تُطبَّق بشكل فعّال في البيئات العملية.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp